引导滤波论文翻译 - 图文-.doc

引导滤波图像 摘要: 这篇论文中,我们提出一个新的明确的图像滤波器叫,引导滤波器。来自于一个局部线性模型,引导滤波器计算滤波结果通过考虑引导图像的内容,引导图像可以是输入图像自身或者是另外一个不同的图像。引导滤波器能够向双边滤波器[1]一样保持边缘平滑,但是它在边缘附近有更好的表现。引导滤波器也是更一般地超越平滑的概念:它可以转化引导图的结构为滤波输出,用于很多新的滤波应用图像去雾、及引导抠图。更多的,引导滤波器自然的有个快速并且不近似线性时间算法,与核的尺寸和像素亮度范围无关。现在,它是最快的边缘保持滤波器之一。实验显示引导滤波器在很多种计算机视觉及图形学的应用中有很好的作用及效率,包括边缘保持平滑,细节增强,HDR压缩,图像抠图,去雾,级联采样等等。 1 介绍 大部分的计算机视觉以及计算机图形学图像滤波涉及到抑制或者提取图像的内容。简单的有核的线性平移不变滤波器(LTI,例如平均,高斯,拉普拉斯和Sobel 滤波器[2],都被广泛应用于图像恢复,模糊/锐化,边缘检测,特征提取等等。可选择的,LTI滤波器能明确地通过解决一个在高动态范围(HDR压缩[3]的泊松方程来执行图像拼接[4],图像抠图[5],以及梯度域操作[6]。滤波核是通过一个齐次的拉普拉斯矩阵的转置明确地被定义。LTI滤波核是空间不变并且与图像内容独立的。但是通常有时候需要考虑引导图像的附加信息。各向异性扩散[7]的先驱工作用需要滤波的图像本身的梯度去指导扩散过程,避免平滑到边缘。平方和最小加权滤波器[8]利用输入需要滤波的图像(而不是像[7]的中间结果去指导,并且选择一个二次函数,这个二次函数等价于一个非一般稳定状态的各向异性扩散。在其他的应用中,引导图像也能是另外的图像而不是本来的输入图像。例如,灰度图着色[9]色度通道不应该在亮度边缘溢出;在图像抠图[10], α应该抓住一个复合图像的细薄结构;在图像去雾[11]景深层应该与原场景一致。在这些例子中我们将色度/α/景深层作为需要被滤波的图像,亮度/复合/场景看做相应的引导图。滤波过程[9]、[10]、[11] 是通过优化引导图像的权重二次成本函数获得的。解决方法是解一个仅依赖引导的大的系数矩阵。这个非齐次的矩阵明确的是定义于一个平移变化的滤波 核。同时,这些依赖于最优化的方法[8]、[9]、[10]、[11]常常牺牲精确度来达到快的计算速度。 另外的一个利用引导图像的方法是明确的建立它的滤波核。双边滤波器,在[12]、[13]中分别提出,[1]以及也许是这种滤波器中最受欢迎之一的后来提出的[14]。它们在一个像素的输出是附近像素的加权平均,这个加权是依赖于同引导图亮度/颜色的相似度。这个引导图能够是滤波器自己本身[1]或者是另一幅图像[14]。双边滤波器能够平滑小的波动并且保持边缘。尽管这个滤波器在很多情况下都有效,它可能会有一些不希望的在边缘附近的梯度逆转伪影[15],[16],[8](将在3.4部分讨论。快速的执行双边滤波器也是一个挑战性的问题。近期的技术[17]、[18]、[19]、[20]、[21]依赖于量子化方法加速,但是牺牲了精确度。 在这篇论文中,我们提出了一个新的明确的图像滤波叫做引导滤波。这个滤波器输出结果是引导图像的局部线性转换。在一方面,引导滤波器有一个号的边缘保持平滑效果像双边滤波器一样,但是它没有梯度逆转伪影的影响。在另一方面,引导滤波能够远远不只是平滑:在引导图的辅助下,它能让滤波输出更结构化并且不比输入平滑。我们论证了引导滤波在很多方面的应用中都有很好的结果,包括图像平滑/增强,HDR压缩,flash/非flash成像,抠图,去雾,和级联采样。更多的,引导滤波器自然地有一个O(N(N个像素时间复杂度算法在灰度图和高维图像中,与核的尺寸和亮度范围无关。特别的,我们的CPU执行达到40ms每兆像素在灰度滤波器:就我们所知,这是最快的边缘保持滤波器。 本文的初步版本已经被ECCV10[22]出版。值得一提的是,从那时候开始起,引导滤波器见证了一些列新的应用。这个引导滤波器能有一个高质量的实时O(N立体匹配算法[23]。一个相似的立体方法被独立地提出来[24]。引导滤波也被应用于光流估计[23],交互式的图像分割[23],显著性检测[25],照明渲染[26]。我们相信引导滤波有很大的潜能在计算机视觉及图形学,贡献出他的简单,高效及高质量。我们提供一个公开的代码来促进未来的学习[27]。 2 相关工作 我们回顾一下边缘保持滤波技术,我们对他们进行分类为显式及隐式平均权重滤波器和没有平均的一种。 2.1 显式的平均权重滤波器 双边滤波器[1]也许是最简单并且最直观的一个显式平均权重滤波器。它计算滤波输出为每个像素邻近像素的平均值,由高斯权重空间及亮度距离。双边滤波器平滑图像并且保持边缘。他